Doctor Booster

Як штучний інтелект використовують в розробці схем лікування пацієнтів: досвід США

Застосування штучного інтелекту в лікуванні пацієнтів. Як лікарня Флаглера в місті Сент-Августин практикує цю можливість, читайте докладніше в статті.
Схема надання допомоги при лікуванні від пневмонії, створена за допомогою ШІ, вже заощадила американській клініці $1356 на лікуванні одного пацієнта, знизила тривалість його перебування в стаціонарі на два дні і значно знизила частоту повторних звернень до лікарні.
Лікарня Флаглера в місті Сент-Августин в штаті Флорида (США) використовує штучний інтелект для вдосконалення лікування пневмонії, сепсису і десятка інших «дорогих» хвороб з високою смертністю.

Зазвичай ШІ використовують великі академічні медичні центри, а не суспільні лікарні. Але в лікарні Флаглера також вирішили ним скористатися.

ШІ виявив новий, поліпшений шлях надання допомоги при пневмонії та сепсису після аналізу декількох тисяч записів пацієнтів лікарні та визначення загальних знаменників для пацієнтів з найкращими результатами лікування. Лікарня швидко впровадила нову схему лікування запалення легенів, змінивши порядок, встановлений в EHR Allscripts (Electronic Medical Record - аналог МІС в Україні).

Вона розраховує заощадити на витратах на лікування одного пацієнта з пневмонією, у порівнянні з існуючими витратами, $ 1 356,35 (35%). При цьому скорочуючи тривалість перебування пацієнта в лікарні на два дні. Також за допомогою ШІ була розроблена нова схема лікування сепсису.

Процес іде настільки добре, що лікарня розширила свої плани по використанню штучного інтелекту від ІТ-розробника Ayasdi. Зокрема, якщо, згідно з попереднім планом, нові схеми надання допомоги пацієнтам повинні були розробити для 12 захворювань протягом трьох років, то зараз схеми планую розробляти по одній на місяць.

На ринку медичних послуг зростає число постачальників, які використовують штучний інтелект в процесі надання медичної допомоги. Це компанії IBM, Jvion, Medial EarlySign, Pillo Health і Splunk.

«Ayasdi використовує розділ математики, який називають аналізом топологічних даних, з метою групування пацієнтів, яких лікують однаково, і виявлення зв'язку між цими групами», - пояснив Майкл Сандерс, доктор медичних наук, головний спеціаліст з медичної інформації в лікарні Флаглера.

«Після того, як ми завантажили дані, ми використовуємо алгоритм навчання штучного інтелекту для створення груп лікування, - продовжив він. - У випадку з даними про наших пацієнтів з пневмонією Ayasdi створив дев'ять груп лікування. З кожною групою пацієнтів поводилися однаково, і нам надавалися статистичні дані, на підставі яких ми могли зрозуміти цю групу і її відмінність від інших».
Аналіз груп даних

Лікарі лікарні Флаглера аналізують групи лікування і вибирають, наприклад, групу Goldilocks. Це група з найменшими витратами на лікування, найменшою тривалістю перебування в лікарні і найменшою ймовірність повторних звернень, що робить її «правильною».

«Потім ми з допомогою ШІ генеруємо схему лікування цієї групи, показуючи всі події, які повинні відбутися у відділенні невідкладної допомоги, при надходженні і протягом всього перебування пацієнта в лікарні, - пояснив М. Сандерс. - Ці події охоплють всі ліки, діагностичні тести, показники життєво важливих функцій, внутрішньовенні вливання, процедури і прийоми їжі, а також ідеальний час для кожного з них, щоб повторити результати саме цієї групи ».

М. Сандерс використовує ШІ для того, щоб впровадити порядок лікування лікарні Флаглера, отриманий за допомогою інструментів ШІ, як у відділенні невідкладної допомоги, так і в стаціонарі. У лікарні є команда PIT (лікарі IT), яка використовує вихідні дані ШІ, щоб рекомендувати цей порядок і отримати схвалення на його впровадження від відділів. Адміністрація лікарні розглядає зміни в рамках нагляду за процесом. Статистичні відмінності між групами ретельно вивчаються М. Сандерсом, його співробітниками з інформатики та лікарями IT перед тим, як група Goldilocks буде обрана.

Витяг даних з МІС і фінансової системи

Лікарня Флаглера отримує дані, які використовуються ШІ, зі своїх МІС, аналітичної платформи CPM (Corporate Performance Management - управління ефективністю організації), сховища корпоративних даних і фінансової системи, використовуючи 2300 рядків коду SQL.

«Після того, як ми вибрали групу Goldilocks, в інтерфейсі ми натискаємо кнопку, яка генерує схему лікування приблизно через 30 секунд, - пояснив Сандерс. - Це відбувається, коли дія і час для дії (порядок прийому ліків, їх призначення, замовлення в лабораторії, результати лабораторних досліджень і т. д.) З'являються, щонайменше, у 50% пацієнтів з групи лікування.

Потім лікарня може налаштувати час, налаштувати виникнення еквівалентної події в схемі лікування, отримати згоду і, нарешті, опублікувати його. Це включає в себе те, що необхідно у відділенні невідкладної допомоги, на день 0, день 1, день 2 і т. д.

«Хоча цей процес можна повторити в ручному або напівручному режимі, потрібні були б роки роботи, щоб хоча б наблизитися до розкриття частини цих знань, - сказав М. Сандерс. - А інструменти Ayasdi для управління клінічними варіаціями дозволяють нам зробити це за кілька днів. Весь наш SQL-код був параметризований, так що перехід до нової діагностики та початок нової оцінки займає всього кілька годин».

Від початку до кінця впровадження першої схеми лікування запалення легенів зайняло дев'ять тижнів. Саме стільки співробітники лікарні Флаглера вчилися користуватися новим інструментом. А свою схему лікування сепсису, яку М. Сандерс назвав набагато більш складним процесом, вони закінчили всього за два тижні.

Реалізація нових шляхів для аналізу

Як згадувалося раніше, завдяки впровадженню нової схеми лікування запалення легенів шляхом зміни порядку, встановленого в МІС, лікарня Флаглера розраховує заощадити $ 1 356,35 на одному пацієнтові з пневмонією у вигляді прямих витрат у порівнянні зі статус-кво. При цьому тривалість перебування пацієнта в лікарні скоротиться на два дні.

«Ми також знизили рівень повторних звернень з 2,9% до 0,4%, - сказав М. Сандерс. - Це сталося через те, що ШІ показав нам рішення, які ми навіть не знали б, де шукати, тим більше за такий неймовірно короткий проміжок часу. Наприклад, група Goldilocks показала нам, що чим швидше ми починаємо лікувати хворого на пневмонію, у якого також була хронічна обструктивна хвороба легень, тим коротше його перебування в лікарні, нижче вартість лікування і нижче частота повторних звернень».

Витрати на лікування були скорочені за рахунок виключення лабораторних, рентгенівських та інших процесів, що не додавали цінності, а також за рахунок скорочення загальної тривалості перебування пацієнта в лікарні.

М. Сандерс додав: «Після перегляду даних, кардіолог з Pit Crew сказав:« Група лікарів, яка лікувала пацієнтів групи Goldilocks, здійснила менше маніпуляцій, ніж я в таких випадках, але досягла кращих результатів. Отже, коли ми додаємо щось поза схемою лікування, крім нормативних вимог, ми збільшуємо вартість лікування без будь-якої вигоди для пацієнта ». Для лікаря це було осяянням.

Таким чином, лікарня Флаглера переходить від свого початкового плану — рішення завдань по 12-ти захворюваннях за три роки до розробки схеми лікування одного захворювання в місяць. Це значна зміна, яка відображає задоволення лікарів штучним інтелектом.

«З нашим досвідом я відчуваю себе комфортніше з кожним місяцем, - сказав М. Сандерс. - Як ви знаєте, затримка залежить не від технології або нашої здатності засвоювати і аналізувати дані. Те, що сповільнить нас, - це виснажливий процес, під час якого медичний персонал перевіряє і затверджує розроблені схеми лікування».

Використання технології не вимагає наявність в клініці вченого, але вимагає розробки коду SQL для вилучення даних. Але М. Сандерс зазначив, що лікарні не повинні боятися ШІ.

«Це необхідно для роботи, яку ми всі повинні робити, щоб поліпшити якість нашої охорони здоров'я, одночасно знижуючи витрати і підвищуючи ефективність наших лікарень, - сказав він. - Наші МІС стають нашими новими «підручниками». Вони показують нам всі дані і розповідають, що насправді сталося».

М. Сандерс прийшов до висновку, що інструменти ШІ, які використовує лікарня Флаглера, показують, що лікарі, що забезпечують догляд за пацієнтами, в іншому випадку не могли б знайти і відповісти на ряд питань, оскільки навіть не знали б, що запитати.

За матеріалами дослідження: Healthcare IT News
Переклад і адаптація: Doctor Booster

Коментар:
Багато хто називає XXI століття століттям ШІ, і це — небезпідставно.

Традиційно лідерами в сфері впровадження ШІ є США поряд з Китаєм. США, в даному випадку, швидше за всіх дісталися до настільки консервативної галузі, як медицина, де ІТ технології найчастіше впроваджуються із запізненням.

Мова, в першу чергу, звичайно, не про заміну лікаря, а про автоматизацію процесів, і швидке отримання висновків з великої бази даних на допомогу лікарю.

ШІ має важливу складову в області доказової медицини, зокрема, прогнозування та управлінні клінічними варіаціями, дозволяючи переглядати й удосконалювати протоколи і плани лікування.

Як і раніше, як ми бачимо, що величезним стимулом для цього є економічна складова. Тим, хто на постійній основі відслідковує ефективність лікування, а також рахує гроші і час, ШІ реально допомагає вдосконалювати процеси, навіть в рамках окремо взятого медичного закладу. Це дозволяє знижувати такі істотні лікарняні витрати, як витрати по госпіталізацій і повторні візити без шкоди якості лікування.

Тому так важливо клінічні дані зіставляти з фінансами і бізнес-процесами для пошуку найоптимальніших шляхів. Це багатофакторна обробка тон інформації з різними варіаціями, вибірками, відхиленнями разом з доказовою медициною. Такий процес займе роки ручної роботи багатьох людей. Але набагато швидше і ефективніше можна отримати результат, обробляючи такий масив інструментами ШІ. А почати такий процес можливо з належного збору та зберігання даних в електронному вигляді.

Артур Верба
Екс-директор з продукту, співзасновник IT4Medicine
Спробуйте безкоштовно
Write Close
Close
Поддержка приложения Doctor Booster
Ваш E-mail
Ваш вопрос
Made on
Tilda